目录

GAN的种种变形的收集

课程内容

1基本概念

1.1核心问题

1.2算法

1.3结果——遍历的创造力

2GAN 是一种结构学习

2.1分类、回归、结构学习

2.2 结构学习的难度

2.3传统解决这个问题的方法

 3generator自己学会怎么样

3.1用encode-decode网络的decode代作为生成器

3.2这种方式的问题

3.3VAE解决这个问题

3.4仍然没有考虑的问题

4discriminator自己学会怎么样

4.1这些函数都可以作为判别器

4.2判别器本身就很容易得到总体的结构信息，因为是把高维的变成低维的

4.3判别器生成的方式是穷举

4.3.1找负样本是很难的——生成器

4.4判别就是用结构化的眼光在找生成器的弱点

​

5 判别器生成起的优缺点

5.1生成器就是在解这个arg max问题

---

---

GAN的种种变形的收集

课程内容

1基本概念

1.1核心问题

1.2算法

1.3结果——遍历的创造力

2GAN 是一种结构学习

2.1分类、回归、结构学习

2.2 结构学习的难度

 

2.3传统解决这个问题的方法

 3generator自己学会怎么样

3.1用encode-decode网络的decode代作为生成器

3.2这种方式的问题

在随机数的连续性上有问题

3.3VAE解决这个问题

编解码的中间加了噪音，decode更加稳定

这里的sigema对结果是有干扰的，不过我们不能让它太小

3.4仍然没有考虑的问题

高维度的图像的分布是低维的，所以可以降维度。

什么叫做越像越好——逐像素比较不够

网络架构中很难融入部件之间的关系，输出层很难互相配合，只能多加层

用编解码网络需要更多的层来得到与GAN类似的结果

生成器生成的蓝色的点效果之所以不好，是因为难学到x1x2的关系

4discriminator自己学会怎么样

4.1这些函数都可以作为判别器

4.2判别器本身就很容易得到总体的结构信息，因为是把高维的变成低维的

生成时是逐像素生成的难以判别逐像素的信息，而判别器是从上向下的，容易获取结构信息

4.3判别器生成的方式是穷举

4.3.1找负样本是很难的——生成器

4.4判别就是用结构化的眼光在找生成器的弱点

5 判别器生成起的优缺点

5.1生成器就是在解这个arg max问题